**变分自编码器**（VAE，variational autoencoder） * 找到一个低维的表示**潜在空间**（latent space，也是一个向量空间），其中任意点都可以被映射为一张逼真的图像。 * 能够实现这种映射的模块，即以潜在点作为输入并输出一张图像（像素网格） * **生成器**（generator，对于 GAN 而言） * **解码器**（decoder，对于 VAE 而言）  * [ ] 使用与输入图像**相同的图像**作为目标数据来训练这个自编码器 **VAE：** * VAE向自编码器添加了一点统计魔法，迫使其学习连续的、高度结构化的潜在空间。这使得 VAE 已成为图像生成的强大工具。 * VAE 不是将输入图像压缩成潜在空间中的固定编码，而是将图像转换为统计分布的参数，即平均值和方差。 * 损失： * **重构损失**（reconstruction loss），迫使**解码后**的样本匹配初始输入 * **则化损失**（regularization loss），有助于学习具有良好结构的潜在空间，并可以降低在训练数据上的过拟合